一篇文章搞懂DataSet、DataFrame、RDD-《每日五分钟搞定大数据》

《每日五分钟搞定大数据》公众号:大叔据每周不定时更新

点击看《每日五分钟搞定大数据》完整思维导图以及所有文章目录

1. 三者共性:

1、RDD、DataFrame、Dataset全都是spark平台下的分布式弹性数据集,为处理超大型数据提供便利
2、三者都有惰性机制,执行trainform操作时不会立即执行,遇到Action才会执行
3、三者都会根据spark的内存情况自动缓存运算,这样即使数据量很大,也不用担心会内存溢出
4、三者都有partition的概念,如

var predata=data.repartition(24).mapPartitions{       PartLine => {         PartLine.map{           line =>              println(“转换操作”)                             }                          } } 

这样对每一个分区进行操作时,就跟在操作数组一样,不但数据量比较小,而且可以方便的将map中的运算结果拿出来,如果直接用map,map中对外面的操作是无效的,如

val rdd=spark.sparkContext.parallelize(Seq(("a", 1), ("b", 1), ("a", 1)))     var flag=0     val test=rdd.map{line=>       println("运行")       flag+=1       println(flag)       line._1     } println(test.count) println(flag)     /**     运行     1     运行     2     运行     3     3     0    * */

不使用partition时,对map之外的操作无法对map之外的变量造成影响
5、三者有许多共同的函数,如filter,排序等
6、在对DataFrame和Dataset进行操作许多操作都需要这个包进行支持

import SparkSession.implicits._

7、DataFrame和Dataset均可使用模式匹配获取各个字段的值和类型,为了提高稳健性,最好后面有一个_通配操作,这里提供了DataFrame一个解析字段的方法
DataFrame:

testDF.map{       case Row(col1:String,col2:Int)=>         println(col1);println(col2)         col1       case _=>         ""     }

Dataset:

case class Coltest(col1:String,col2:Int)extends Serializable //定义字段名和类型     testDS.map{       case Coltest(col1:String,col2:Int)=>         println(col1);println(col2)         col1       case _=>         ""     } 2. 对比: 2.1 RDD

1、RDD一般和spark mlib同时使用
2、RDD不支持sparksql操作

2.2 DataFrame和Dataset相同点:

1、DataFrame与Dataset一般与spark ml同时使用
2、DataFrame与Dataset均支持sparksql的操作,比如select,groupby之类,还能注册临时表/视窗,进行sql语句操作,如

dataDF.createOrReplaceTempView("tmp") spark.sql("select  ROW,DATE from tmp where DATE is not null order by DATE").show(100,false)

3、DataFrame与Dataset支持一些特别方便的保存方式,比如保存成csv,可以带上表头,这样每一列的字段名一目了然

//保存 val saveoptions = Map("header" -> "true", "delimiter" -> "\t", "path" -> "hdfs://172.xx.xx.xx:9000/test") datawDF.write.format("com.databricks.spark.csv").mode(SaveMode.Overwrite).options(saveoptions).save() //读取 val options = Map("header" -> "true", "delimiter" -> "\t", "path" -> "hdfs://172.xx.xx.xx:9000/test") val datarDF= spark.read.options(options).format("com.databricks.spark.csv").load()

利用这样的保存方式,可以方便的获得字段名和列的对应,而且分隔符(delimiter)可以自由指定

2.3 DataFrame和Dataset不同点:

这里主要对比Dataset和DataFrame,因为Dataset和DataFrame拥有完全相同的成员函数,区别只是每一行的数据类型不同
1)DataFrame也可以叫Dataset[Row],dataframe每一行的类型是Row(不解析的话无法得知每一行的字段名和对应的字段类型)
拿出dataframe行中特定字段的方法有两个:

getAS方法 testDF.foreach{   line =>     val col1=line.getAs[String]("col1")     val col2=line.getAs[String]("col2") } 模式匹配 testDF.map{       case Row(col1:String,col2:Int)=>         println(col1);println(col2)         col1       case _=>         ""     }

2) Dataset中,每一行是什么类型是不一定的,在自定义了case class之后可以很自由的获得每一行的信息(可以定义字段名和类型)

case class Coltest(col1:String,col2:Int)extends Serializable //定义字段名和类型 /**       rdd       ("a", 1)       ("b", 1)       ("a", 1)       * */ val test: Dataset[Coltest]=rdd.map{line=>       Coltest(line._1,line._2)     }.toDS test.map{       line=>         println(line.col1)         println(line.col2)     }

内容版权声明:除非注明,否则皆为本站原创文章。

转载注明出处:https://www.heiqu.com/wpfjsj.html